UNIVERSIDADE ESTADUAL DO MARANHÃO

UNIVERSIDADE ESTADUAL DO MARANHÃO

CENTRO DE CIÊNCIAS TECNOLÓGICAS

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA

COMPUTAÇÃO E SISTEMAS

MESTRADO PROFISSIONAL EM ENGENHARIA DA

COMPUTAÇÃO E SISTEMAS

NONILTON ALVES DE SANTANA

A utilização da técnica de filtragem de conteúdo em campos de texto livre para

recomendações de diagnósticos.

SÃO LUÍS

2017

NONILTON ALVES DE SANTANA

A utilização da técnica de filtragem de conteúdo em campos de texto livre para

recomendações de diagnósticos.

Dissertação apresentada ao Mestrado

Profissional de Engenharia da

Computação e Sistemas da Universidade

Estadual do Maranhão, como parte dos

requisitos para a obtenção do título de

Mestre em Engenharia da Computação e

Sistemas.

Orientador: Prof. Dr. Fernando Jorge Cutrim Demétrio

SÃO LUÍS

2017

AGRADECIMENTOS

Em primeiro lugar agradeço a DEUS pela benção de estar vivo, lúcido, forte e

saudável para encarar tamanho desafio. Obrigado a minha linda, adorável, inteligente,

paciente e batalhadora esposa pela companhia e incontáveis conselhos ao longo do

caminho. Não poderia deixar de agradecer meu avô Manoel José de Santana (in

memorian) pelo primeiro investimento em minha carreira, cheguei aqui graças ao senhor.

Aos meus pais Raimundo Nonato Neto e Josefa Alves de Santana por dar-me a educação

necessária para chegar até aqui, deixo meu muito obrigado, espero um dia retribuir

tamanha prova de amor. Ao meu amigo Cleber Augusto pela força no início da

caminhada, porque sem ele nada disso teria acontecido, obrigado. Aos professores do

programa de mestrado que nos aceitaram em suas disciplinas regulares, mesmo

comparecendo a cada 15 dias em função da distância e de não podemos nos mudar para

a capital, não consigo descrever tamanha honra, em conhece-los. Obrigado meu irmão

Nonailton Alves de Santana por se encarregar ser motorista da minha esposa e filha na

minha ausência. Obrigado também ao meu velho amigo Emmanuel Silva Xavier pela

parceria de longa data e de valor inestimável.

Não poderia deixar de agradecer aos professores aos professores Fernando Jorge

Cutrim Demétrio e Luís Carlos Fonseca pelo apoio e imensurável contribuição nesta

jornada.

Gostaria de agradecer a Fundação de Amparo à Pesquisa e Desenvolvimento

Científico do Maranhão – FAPEMA pelo financiamento desta pesquisa.

“Mil cairão ao teu lado, dez mil a tua direita, mas tu não serás atingido”

Salmo 91:7

Resumo

O objetivo deste trabalho é propor um sistema de recomendação de diagnóstico médico

utilizando a técnica de filtragem de conteúdo. Utilizando a medida de cossenos para

recuperação de informação e a medida de pesos TF-IDF (Term Frequency – Inverse

Document Frequency) para analise textual, foi possível propor o modelo, dividindo-o em

quatro etapas: criação da base de dados de atendimento médicos, criação do mecanismo

de buscas por palavras chaves, criação do ranking de itens similares e apresentação da

lista de recomendações. Como resultado, a busca utilizando sintomas apresentou

resultados satisfatórios e proporcionou liberdade de pesquisa ao usuário. Já a

classificação dos prontuários através da similaridade apresentou taxa de acerto de 70%

dos diagnósticos submetidos ao sistema.

Palavras-chave:

PEP, Sistema, Saúde, WebService, TF-IDF, Recomendação

ABSTRACT

The objective of this work is to propose a medical diagnostic recommendation system using the content

filtering technique. Using the measurement of cosines for information retrieval and the measurement

of weights TF-IDF (Frequency Term - Inverse Document Frequency) for textual analysis, it was

possible to propose the model, dividing it into four steps: creation of the database of medical care ,

Creation of the search engine by keywords, creation of ranking of similar items and presentation of

the list of recommendations. As a result, the search using symptoms presented satisfactory results and

provided freedom of research to the user. On the other hand, the classification of medical records by

similarity showed a 70% accuracy of the diagnoses submitted to the system.

Keywords:

PEP, System, Health, WebService, TF-IDF, Recommendation

Lista de figuras

Figura 1 - Filtragem hibrida .......................................................................................................16

Figura 2 - Resultado de uma expressão booleana conjuntiva (AND) .........................................18

Figura 3 - Resultado de uma busca booleana disjuntiva OR.......................................................19

Figura 4 - Medida dos cossenos para cálculo de similaridade entre documentos .......................20

Figura 5 - Organograma da pesquisa ..........................................................................................24

Figura 6 - Representação dos diagnósticos após formatação dos dados. ....................................26

Figura 7 - Método responsável por recuperar os documentos do corpus. ...................................28

Figura 8 - Classe para tratamento de stopwords. ........................................................................29

Figura 9 - Classe para tratamento de advérbios ..........................................................................29

Figura 10 - Formula para cálculo de pesos .................................................................................30

Figura 11 - Classe para cálculo de frequência de um termo. ......................................................30

Figura 12 - Classe para calcular o IDF de um termo. .................................................................31

Figura 13 - Matriz de termos e pesos da dengue ........................................................................31

Figura 14 - Diagrama de classe para persistência da matriz de documentos processados. ..........32

Figura 15 - Cálculo de pesos dos termos da consulta. ................................................................32

Figura 16 - Calculo de pesos dos termos da consulta. ................................................................33

Figura 17 - Formula utilizada nesta pesquisa para cálculo de similaridade. ...............................33

Figura 18 - Classe para cálculo de similaridade entre termos da consulta e documentos. ..........34

Figura 19 - Consulta exemplo com termos genéricos. ................................................................34

Figura 20 - Diagrama de componentes representando a arquitetura do sistema .........................37

Figura 21 - Hipótese diagnostica ................................................................................................38

Figura 22 - Qualidade das recomendações. ................................................................................48

Figura 23 - Definição do projeto no Firebase .............................................................................54

Figura 24 - Ferramentas do Firebase ..........................................................................................55

Figura 25 - Dependências do Firebase........................................................................................55

Figura 26 - Diagrama de caso de uso prontuário eletrônico do paciente ....................................57

Figura 27 - Diagrama de classes prontuário eletrônico do paciente ............................................57

Figura 28 - Diagrama de caso de uso modulo administrador ......................................................59

Figura 29 - Diagrama de classes modulo administrador .............................................................59

Figura 30 - Diagrama de casos de uso modulo de atendimento ..................................................60

Figura 31 - Diagrama de classes modulo de atendimento ...........................................................61

Figura 32 - Classe entidade identificação do médico. ................................................................65

Figura 33 - Classe entidade identificação do paciente ................................................................65

Figura 34 - Ficha anamnese........................................................................................................66

Figura 35 - Estratégia de persistência de dados classe entidade pacientes. .................................67

Figura 36- Implementação da classe Firebase. ...........................................................................67

Figura 37 - Menu do protótipo de prontuário eletrônico. ............................................................68

Figura 38 - Identificação do médico ...........................................................................................69

Figura 39 - Identificação do paciente .........................................................................................69

Figura 40 - Lista de pacientes cadastrados. ................................................................................70

Figura 41 - Opções do prontuário eletrônico ..............................................................................70

Figura 42 - Parte superior da ficha anamnese .............................................................................71

Lista de quadros

Quadro 1 - Doenças cadastradas ................................................................................................26

Quadro 2- Fluxo de indexação de um documento. .....................................................................28

Quadro 3 – Sintomas selecionados aleatoriamente pertencentes ao banco de dados. .................40

Quadro 4 - Lista de recomendações para dengue hemorrágica. ..................................................41

Quadro 5 - Teste de recomendação com sintomas do Zika Virus. ..............................................42

Quadro 6 - Teste de recomendação com sintomas da Febre Chikungunya. ................................42

Quadro 7 - Teste de recomendação com sintomas da Gripe. ......................................................43

Quadro 8 - Teste de recomendação com sintomas da Febre amarela. .........................................44

Quadro 9 - Teste de recomendação com sintomas da Sarampo. .................................................45

Quadro 10 - Teste de recomendação com sintomas da Urticária. ...............................................45

Quadro 11 - Teste de recomendação com sintomas da Febre Tifoide.........................................46

Quadro 12 - Teste de recomendação com sintomas da Pneumonia. ...........................................47

Quadro 13 - Teste de recomendação com sintomas da Reumatismo. .........................................47

Quadro 14 - Lista de requisitos funcionais modulo prontuário eletrônico do paciente ...............56

Quadro 15 - Requisitos funcionais do modulo administrador .....................................................58

Quadro 16 - Requisitos funcionais modulo de atendimento de pacientes. ..................................60

Quadro 17 – Identificação do paciente .......................................................................................62

Quadro 18- Identificação do médico ..........................................................................................62

Quadro 19 - Login de acesso ao sistema ....................................................................................63

Quadro 20 - Lista de pacientes ...................................................................................................63

Quadro 21 - Novo prontuário .....................................................................................................63

Quadro 22 - Ficha anamnese ......................................................................................................64

Lista de abreviaturas e siglas

SR – Sistemas de recomendação

RI – Recuperação de Informação

SQL – Struct Query Language

SGBD – Sistema gerenciador de banco de dados

Sumário

1. INTRODUÇÃO ................................................................................................................11

2. REFERENCIAL TEÓRICO ...........................................................................................14

2.1. Sistemas de Recomendação (SR) ...............................................................................14

2.1.1. Filtragem por conteúdo ...........................................................................................15

2.1.2. Filtragem Colaborativa ...........................................................................................15

2.1.3. Filtragem hibrida. ...................................................................................................15

2.2. Aspectos conceituais da recuperação de informação ..................................................17

2.2.1. Modelos de RI ........................................................................................................17

2.2.2. Modelo Booleano ...................................................................................................18

2.2.3. Modelo Vetorial .....................................................................................................19

2.2.4. Modelo Probabilístico.............................................................................................21

3. REFERENCIAL METODOLÓGICO ............................................................................22

3.1. Especificação do modelo ............................................................................................23

3.2. Etapas iniciais .............................................................................................................24

3.2.1. Construção de uma base de dados representando os diagnósticos médicos. ...........24

3.2.2. Mecanismo de busca ...............................................................................................27

3.2.2.1. Preparação dos documentos ................................................................................27

3.2.2.2. Indexação dos termos .........................................................................................28

3.2.3. Classificação de prontuários por analise de conteúdo .............................................32

3.3. Apresentar lista de recomendações .............................................................................34

3.4. Resumo do modelo .....................................................................................................35

4. ARTEFATO – IMPLEMENTAÇÃO DO MODELO....................................................36

4.1. Vantagens ........................................................................................................................38

4.2. Desvantagens...................................................................................................................38

4.3. Testando e validando as recomendações do sistema ........................................................39

5. CONSIDERAÇÕES FINAIS ...........................................................................................50

6. REFERÊNCIAS ...................................................................................................................52

Apêndice A - Criando o projeto no Firebase ..............................................................................54

Apêndice B – Requisitos e modelagem do protótipo ..................................................................56

Apêndice C - Requisitos do protótipo do prontuário eletrônico .................................................62

Implementação dos requisitos ................................................................................................64

11

1. INTRODUÇÃO

Todas as áreas envolvidas em algum processo de trabalho em vários momentos

geram e armazenam informações valiosas para que possam servir de fontes de pesquisas

em algum momento, seja no aperfeiçoamento de uma técnica, no desenvolvimento de um

novo método ou mesmo na academia. Na saúde, assim como em outras áreas, dado o

avanço da tecnologia da informação, realizar este armazenamento já é bastante comum,

contudo utilizar estas fontes significa em muitos casos um grande problema, devido os

atuais sistemas de gestão utilizados nos hospitais estão voltados para a administração

hospitalar, ou seja, estão fortemente direcionados a setores administrativos, financeiros,

contábeis, departamento pessoal entre outros.

É sabido que muita informação é coletada de um paciente por meio de um

prontuário médico e também que muitos profissionais podem ser envolvidos durante seu

atendimento. De acordo com o Conselho Regional de Medicina do Estado de São Paulo

(CREMESP) o prontuário eletrônico é um conjunto de documentos padronizados e

ordenados, destinados ao registro dos cuidados profissionais prestados ao paciente pelos

serviços de saúde pública e privado. Cada procedimento deve ser documentado de forma

a facilitar o acompanhamento da evolução clinica deste paciente pela equipe médica.

Ainda segundo o CREMESP o objetivo deste documento é catalogar a assistência médica

prestada ao paciente, servindo também para ensino e pesquisa e também como

instrumento de defesa legal. Percebe-se aqui a relevância de um mecanismo de busca

adequado para pesquisa médica, uma vez que estes dados podem duplicar em pouco

tempo.

Embora exista no mercado fabricante de software para gestão hospitalar e

ofereçam um grande conjunto de ferramentas que dão suporte ao cuidado médico, boa

parte deles operam de modo isolado, não oferecendo interfaces de comunicação com

outros sistemas ou mesmo um mecanismo inteligente que possa facilitar e/ou mesmo

disponibilizar em tempo real uma forma eficiente de consultar informações já

armazenadas.

12

Em sua grande maioria os sistemas de gestão hospitalar oferecem meios de

pesquisas através de instruções SQL (Struct Query Language) onde os usuários informam

valores que são enviados a sistemas gerenciadores de bancos de dados (SGBD) como

Oracle, Microsoft SQL Server, Postgres, Firebird entre outros, afim de encontrar registros

que contenham os valores informados. Estas consultas baseiam-se na existência ou não

dos termos informados podendo deixar de fora da lista de resultados registros de interesse

do usuário.

A reutilização dos dados de um atendimento tem finalidade diversas, dentre elas

pode-se destacar o diagnóstico e as condutas médicas utilizadas, a utilização de

mecanismo adequado de busca de informação pode ajudar durante os novos

atendimentos, agilizando e facilitando o diagnóstico e quais condutas podem ser indicadas

ao novo paciente.

Toda a responsabilidade de um pré-diagnostico do paciente depende única e

exclusivamente do conhecimento e experiência médica, então de que forma um sistema

de recomendação que utiliza filtragem baseada em conteúdo aplicado a uma base de dados

de um prontuário eletrônico de paciente poderia auxiliar um médico na definição do

diagnóstico do paciente?

1.1. Objetivo geral

Propor um modelo de recomendação de diagnóstico médico através da técnica

de filtragem de conteúdo utilizando campos de texto livre de um prontuário eletrônico de

paciente.

1.2. Objetivos específicos

Construir uma base de dados representando os prontuários de atendimento

médicos.

Criar um mecanismo de busca a partir de palavras-chave, resultando em uma

lista de diagnósticos médicos classificados pela sua relevância.

13

Classificar os prontuários médicos por diagnóstico, através de análise de

conteúdo.

Apresentar a lista de recomendações a partir do ranqueamento formado pela

similaridade entre as palavras-chave e prontuário já gravados.

14

2. REFERENCIAL TEÓRICO

2.1. Sistemas de Recomendação (SR)

O ato de recomendar existe sempre que temos a boa intenção de expressar nossa

satisfação ou decepção com algum tipo de serviço, produto, área turística, empresa e até

pessoas. Sempre que precisamos utilizamos dessa estratégia para sabermos

antecipadamente de alguma informação a respeito de alguma coisa. (WEITZEL;

PALAZZO; OLIVEIRA, 2010) destacam que um SR tem o objetivo de auxiliar no

fornecimento de sugestões personalizadas de forma automática de acordo com o interesse

do usuário. Já (U, 2013) define um SR como uma subclasse de sistemas de filtragem de

informação que procuram prever a preferência que um usuário daria para um item.

(CAPPELLA; YANG; LEE, 2015; VERBERT K.; MANOUSELIS, 2012) concorda que

o objetivo de qualquer sistema de recomendação é estimar a avaliação do usuário de um

item que ele não conhece baseando na avaliação de outros itens visto por este usuário. O

estudo deste tipo de sistema tornou-se bastante relevante na década de 1990 e mostra-se

muito interessante devido ao vasto número de problemáticas e abundancia de aplicações

práticas das mesmas. Estes sistemas recolhem informações acerca das preferências de um

ou mais usuários sobre um determinado conjunto de itens.

O comercio eletrônico faz uso de recomendação há bastante tempo e sempre

que possível, apresenta opiniões de usuários a respeito de determinado produto no qual já

demonstrou interesse no passado, ou mesmo elabora lista de itens nos quais você poderia

se interessar (VIEIRA; NUNES, 2012; YANG et al., 2016). Um item é um termo utilizado

para denominar algo que o sistema recomenda a um usuário, ou seja, pode ser um filme,

uma música, livro, hotel e etc. (FADAEE; SOUFIANI; SUNDARAM, 2016; MIGUEL;

COSTA, 2016). Serviços como Youtube, Netflix, Amazon sempre nos mostra conteúdo

relacionado ao que estamos vendo, ouvido e/ou precisando baseado no seu histórico de

navegação (GARCIA; FROZZA, 2013) .

De acordo com (U, 2013; VIEIRA; NUNES, 2012) sistemas de recomendação

estão divididos em três categorias, filtragem baseada em conteúdo, filtragem colaborativa

e filtragem hibrida.

15

2.1.1. Filtragem por conteúdo

Este tipo de filtragem utiliza informações anteriores do usuário em relação a um

item para recomendar itens similares, por exemplo, recomenda produtos parecidos com

aqueles avaliados anteriormente de forma positiva (U, 2013). Neste cenário utiliza

principalmente tags, palavras-chaves e descrição dos itens para serem comparados

utilizando alguma técnica de recuperação de informação, sendo a indexação de frequência

de termos bastante utilizada (CAPPELLA; YANG; LEE, 2015).

Neste tipo de indexação, os itens são descritos detalhadamente e são separados

como palavras-chave através de alguma técnica de recuperação de informação, tendo seus

termos extraídos com seus respectivos pesos, possibilitando utilizar estas medidas para

determinar a similaridade entre os itens (YANG et al., 2016). Em caso de itens serem

artigos ou documentos, este processo pode ser ainda mais fácil, pois documentos podem

ser considerados similares se compartilharem termos em comum (YANG et al., 2016).

2.1.2. Filtragem Colaborativa

Este tipo de filtragem baseia-se no julgamento de usuários com interesses em

comum. São avaliados itens do sistema que permitem descobrir médias para os itens, com

isso, o sistema pode descobrir padrões de comportamento e sugerir itens considerados

interessantes pelos usuários com gostos similares. A técnica de descoberta automática de

relações entre usuário e sua vizinhança consiste em (COSTA; AGUIAR; MAGALHÃES,

2013) :

Calcular a similaridade do usuário alvo em relação aos outros usuários.

Selecionar um grupo de usuários com maiores similaridades e considerar a

predição.

Normalizar as avaliações e computar as predições, ponderando as avaliações

dos usuários mais similares.

2.1.3. Filtragem hibrida.

16

De acordo com (RAMOS J. G. A., 2010) este tipo de filtragem é baseado nos

métodos filtragem colaborativos e filtragem de conteúdo, reunindo suas principais

características levando a uma melhor solução.

(CAZELLA; NUNES; REATEGUI, 2010; FADAEE; SOUFIANI; SUNDARAM, 2016)

afirma que a filtragem hibrida procura, combinar os pontos fortes da filtragem

colaborativa e filtragem baseada em conteúdo visando criar um sistema que possa melhor

atender as necessidades do usuário. A figura 1 apresenta as vantagens envolvidas na

filtragem de conteúdo e filtragem colaborativa.

Fonte: (CAZELLA; NUNES; REATEGUI, 2010)

A ideia de um sistema de filtragem hibrido é incorporar as melhores

características da filtragem colaborativa e filtragem de conteúdo sem herdar as

desvantagens

Embora um SR seja bastante comum em outras áreas como comercio eletrônico,

entretenimento, notícias entre outros, na medicina este tipo de abordagem é pouco

utilizado, sendo aplicado para filtragem de conteúdo de sítios na internet conforme a

proposta de (WEITZEL; PALAZZO; OLIVEIRA, 2010) onde sugerem um filtro

inteligente através da análise de conteúdo para classificar os sites conforme a qualidade

de suas publicações direcionando-as conforme o perfil do usuário.

Observa-se que um SR necessita de outras subáreas da computação como os

sistemas de recuperação de informação afim de processar previamente um documento. A

seção a seguir descreve os aspectos conceituais e os principais modelos de um sistema de

recuperação de informação (RI).

Figura 1 - Filtragem hibrida

17

2.2. Aspectos conceituais da recuperação de informação

Todos os dias milhares de pessoas são atendidas em hospitais da rede pública e

privada, gerando um enorme volume de dados. Estes registros estão em sua grande

maioria armazenados em um sistema estruturado e com suporte a consultas permitindo a

recuperação de alguma informação de acordo com a necessidade do usuário. Neste

cenário a ciência da recuperação da informação estuda a criação de algoritmos visando

recuperar informações a partir de campos de textos livres. De acordo com (BAEZA-

YATES; RIBEIRO-NETO, 2013; PAIK, 2013) recuperação de informação trata da

representação, armazenamento, organização e acesso a itens de informação, como

documentos, páginas web, catálogos online, registros estruturados e semiestruturados,

objetos multimídia e etc.

A recuperação de informação (RI) sempre foi um assunto de interesse da

humanidade, pois sempre houve a necessidade de preservação e posterior uso do

conhecimento registrado. Os livros oferecem há muito tempo um mecanismo simples de

RI, o sumário, nele podemos identificar de forma mais eficiente o capitulo ou página de

interesse.

2.2.1. Modelos de RI

(BAEZA-YATES; RIBEIRO-NETO, 2013; KIDO; JUNIOR; MORIGUCHI,

2014) afirmam que modelagem em RI é complexo e tem objetivo de produzir função de

ranqueamento, produzir escores a documentos em relação a uma consulta. Pode ser

dividido em duas fases:

Concepção de uma coleção de documentos e consultas.

Definição de uma função de ranqueamento que consulta o grau de

similaridade de cada documento em relação a consulta.

(SOUSA; TABOSA, 2015) destaca que todos os sistemas de RI estão baseados

nos modelos clássicos de RI, que são:

Modelo Booleano

Modelo Vetorial

Modelo Probabilístico

18

2.2.2. Modelo Booleano

Neste modelo, documentos são representados por termos indexados, podem ser

definidos manualmente ou automaticamente, por meio de algoritmos computacionais. As

buscas são formuladas por expressões booleanas constituídas por termos ligados por

operadores lógicos (FERNEDA, 2003). Esse modelo é baseado na teoria de conjuntos e

na álgebra Booleana. Mostra-se bastante intuitivo e possui semântica precisa (BAEZA-

YATES; RIBEIRO-NETO, 2013).

Sua definição diz que os elementos da matriz de termos por documentos são 1

para indicar a presença do termo no documento, ou 0, para indicar sua ausência. As

frequências na matriz de termos por documentos são todas binárias. Sendo uma consulta

q composta por termos de indexação ligados por três conetivos booleanos: NOT, AND e

OR. Logo uma consulta é uma expressão Booleana convencional sobre os termos de

indexação (BAEZA-YATES; RIBEIRO-NETO, 2013).

Uma expressão conjuntiva de enunciado t1 AND t2 recuperará documentos

indexados por ambos os termos. Esta operação é a interseção dos conjuntos dos

documentos indexados pelo termo t1 com o conjunto dos documentos indexados pelo

termo t2 conforme figura 2.

Figura 2 - Resultado de uma expressão booleana conjuntiva (AND)

Fonte: (FERNEDA, 2003)

Para uma expressão disjuntiva t1 OR t2 recuperará documentos indexados pelo

termo t1 ou pelo termo t2, sendo equivalente a união entre os conjuntos dos documentos

indexados pelo termo t1 e o conjunto dos documentos indexados pelo termo t2, conforme

figura 3.

19

Figura 3 - Resultado de uma busca booleana disjuntiva OR

Fonte: (FERNEDA, 2003).

Por se tratar de consultas representadas por expressões booleanas, várias

combinações entre os operadores e os termos de interesse podem ser combinadas afim de

satisfazer as necessidades de busca por parte do usuário.

(BAEZA-YATES; RIBEIRO-NETO, 2013) afirma que as principais vantagens do

modelo Booleano são o formalismo claro e sua simplicidade. Já (SOUZA, 2006) define

como a principal desvantagem deste modelo pouca eficiência devido ao fato de trabalhar

de forma binaria, considerando apenas o critério relevante/não relevante e não ordenar

resultados de acordo com a consulta. (BAEZA-YATES; RIBEIRO-NETO, 2013) também

destacam que consultas Booleanas é inconveniente para a maior parte dos usuários.

2.2.3. Modelo Vetorial

Observando um conjunto de documentos percebemos que alguns termos não

acrescentam sentido em relação ao conteúdo do documento, se analisarmos uma coleção

com vários documentos, uma palavra que aparece em todos eles, não é muito útil para

descrever esta coleção, portanto nada acrescenta sobre quais documentos um usuário

estaria interessado. No entanto palavras que apareçam em poucos documentos podem ser

bastante interessantes para o usuário (BAEZA-YATES; RIBEIRO-NETO, 2013).

O modelo Vetorial também é conhecido como Modelo Espaço Vetorial e baseia-

se no casamento parcial de termos (palavras) por meio da atribuição de pesos não binários

para termos da consulta e documento (PAIK, 2013). (MARTHA; DE CAMPOS;

SIGULEM, 2010) afirma que este é um dos modelos mais utilizados por representar a

informação sob perspectiva matemática e estatística e apresenta bons resultados.

20

Neste modelo cada documento da coleção é representado por um vetor conforme

a expressão Dj = {t1,t2,t3,t4...tN}. Sendo vetor Dj um documento da coleção e t1,t2,t3,t4..tN

termos que acrescentam valor semântico ao documento e j o número do documento D na

coleção. Palavras como preposições, conjunções e advérbios são tratadas como stopwords

e devem ser removidas do documento, por nada dizerem sobre o conteúdo do próprio

documento (IRACICABA, 2006) . A quantidade de aparições de um termo em um

documento é contabilizada como sua frequência podendo ser definida por TF (Term

Frequency) e pode ser demonstrada pela expressão TFij = Fij.

A frequência de termos pode ser muito interessante para descrever um

documento em particular, porém se este termo existir na maioria dos documentos da

coleção, este perde sua especifidade e naturalmente pode não representar documentos de

interesse na consulta do usuário. Para este problema surge a frequência inversa de

documentos (IDF) que pode ser representada pela formula IDF = Log (N / ni) sendo N o

número total de documentos da coleção e ni o número de documentos em que o termo i

aparece. O peso do termo no documento é calculado pelo formula Wij = TFij * IDFij

(BAEZA-YATES; RIBEIRO-NETO, 2013).

Em seguida estes pesos são utilizados para calcular o grau de similaridade entre

documentos armazenados no sistema e a consulta do usuário para que possam criar um

ranking ordenado de resultados através das equações representadas pela figura 5

(BAEZA-YATES; RIBEIRO-NETO, 2013).

Figura 4 - Medida dos cossenos para cálculo de similaridade entre documentos

Fonte: adaptado de (COSTA; AGUIAR; MAGALHÃES, 2013)

As medidas de similaridade entre documentos trabalham com métricas e

determinam quando um documento é similar a outro. O uso da medida dos cossenos

retorna 0 e 1. Sendo medido o ângulo entre os dois vetores num espaço vetorial. Quanto

21

mais próximo de 1 for o valor, menor é o ângulo e consequentemente maior à similaridade

entre o documento e os termos da consulta (MAIA; SOUZA, 2013).

(BAEZA-YATES; RIBEIRO-NETO, 2013) apresenta algumas observações

sobre este modelo, são elas:

Conjunto ordenado de documentos é retornado, fornecendo uma melhor resposta

à consulta.

Documentos que tem mais termos em comum com a consulta tendem a ter maior

similaridade.

Termos com maiores pesos contribuem mais para o casamento do que os quem

tem pesos menores.

Documentos maiores são favorecidos.

A similaridade calculada não tem limite superior definido.

2.2.4. Modelo Probabilístico

De acordo com (BAEZA-YATES; RIBEIRO-NETO, 2013) é que existe um

conjunto de documentos ideal, dada uma descrição desse conjunto poderíamos recuperar

documentos relevantes, sendo a consulta um processo de especificação das propriedades

deste conjunto de documentos ideal. O problema deste modelo é que inicialmente não se

sabe quais são estas propriedades, forçando uma estimativa inicial destas propriedades.

Este modelo reutiliza o resultado da primeira consulta para refinar ainda mais seus

resultados (BRITO, 2016) .

22

3. REFERENCIAL METODOLÓGICO

3.1. Tipo de pesquisa

A pesquisa terá uma natureza quantitativa a partir do caráter descritivo e

exploratório. (WAINER, 2007) afirma que a pesquisa quantitativa tem suas bases nas

ciências naturais observando poucas variáveis e sempre busca obter medidas numéricas.

Tem uma visão positivista, ou seja, mesmo diferentes observadores terão o mesmo

resultado. (FONSECA, 2002) destaca que pesquisa quantitativa é aquela que pode

quantificar alguma coisa. Necessita de amostras geralmente grandes e representativas da

população e seus resultados são tomados como um retrato real de toda a população-alvo

da pesquisa. Recorre a linguagem matemática para descrever causas de um fenômeno,

relações entre variáveis e etc. (CHAER; DINIZ; RIBEIRO, 2012) afirma que a pesquisa

quantitativa procura quantificar os dados fazendo uso de alguma forma de análise

estatística.

O caráter descritivo da pesquisa exige do investigador informações sobre o que

deseja pesquisar. Este tipo de estudo pretende descrever fatos e fenômenos de

determinada realidade (SILVEIRA; CÓRDOVA, 2009) . Já (SANTOS, 2008) afirma

que pesquisa descritiva descreve uma experiência, uma situação, um fenômeno ou

processo nos mínimos detalhes. (FONSECA, 2002) concorda que este tipo de pesquisa

tem a finalidade de descrever as características de determinada população ou fenômeno,

ou o estabelecimento de relação entre variáveis.

O caráter exploratório da pesquisa proporciona ao pesquisar maior familiaridade

com o problema em estudo. Seu objetivo é facilitar o entendimento de um problema

complexo ou mesmo construir hipóteses mais adequadas (VIEIRA, 2002) . Já

(ELETR; GARCIA, 2015) define pesquisa exploratória como a busca pela familiarização

dos fenômenos surgidos durante a pesquisa, explorando mais profundamente e com maior

precisão. (SILVA; KARKOTLI, 2011) entende que a pesquisa exploratória proporciona

maior proximidade com o problema visando torná-lo explicito ou definir hipóteses.

Também pode aprimorar ideias ou fazer intuições.

3.2. Universo e amostra e critério de seleção

23

A pesquisa será realizada na cidade de Imperatriz-MA. O universo da pesquisa

será representado por uma base de dados contendo 95 doenças com seus respectivos

sintomas. De acordo com (GUIMARÃES, 2012; PROVDANOV; FREITAS, 2013)

universo da pesquisa representa o conjunto de seres animados ou não que apresenta pelo

menos uma característica comum, sendo N o número total de elementos ou população.

Desse universo, serão utilizados 20 conjuntos selecionados baseados nas

ocorrências mais frequentes da atenção básica de saúde nos hospitais de acordo com

(PIMENTEL et al., 2012). Quanto a amostra, (PROVDANOV; FREITAS, 2013) explica

que é uma pequena parte do universo.

A metodologia deste trabalho seguiu as diretrizes do método Design Science

Research, que segundo (BAX, 2014) é uma estratégia de pesquisa capaz de orientar, tanto

a construção do conhecimento, quando aprimorar práticas em sistemas de informação e

disciplinas relacionadas ao campo gerencial e tecnológico da ciência da informação. É

uma metodologia que encoraja o desenvolvimento de artefatos e/ou protótipos visando

compreender problemas do mundo real e propor soluções apropriadas, úteis, fazendo o

conhecimento avançar.

Neste trabalho propõe-se a utilização de um modelo de sistema de recomendação

utilizando técnicas de filtragem baseada em conteúdo com o objetivo de recomendar

diagnósticos médicos.

3.3. Especificação do modelo

Consiste na apresentação da arquitetura do sistema de recomendação a ser

aplicado sobre a base de dados médica. Em seguida, apesentará a sua especificação, sendo

este dividido em:

Criar um mecanismo de busca a partir de palavras-chave, resultando em uma

lista de diagnósticos médicos classificados pela sua relevância.

Classificar os prontuários médicos por diagnóstico, através de análise de

conteúdo.

Apresentar a lista de recomendações a partir do ranqueamento formado pela

similaridade entre as palavras-chave e prontuário já gravados.

24

Construir uma base de dados representando os prontuários de atendimento

médicos.

A figura 5 apresenta a pergunta problema e também os objetivos gerais e

específicos.

Figura 5 - Organograma da pesquisa

Fonte: Próprio autor.

3.4. Etapas iniciais

3.4.1. Construção de uma base de dados representando os diagnósticos

médicos.

Para que o primeiro objetivo especifico seja alcançado foi elaborada uma lista

de doenças mais comuns e seus respectivos sintomas. Para esta etapa criou-se uma base

de dados experimental contendo um conjunto de 95 enfermidades diferentes,

representando prontuários e diagnósticos de pacientes. Contudo, permitiu-se algumas

redundâncias totalizando 100 prontuários. O quadro 1 apresenta os diagnósticos

cadastrados.

25

Dengue Febre

amarela

Conjuntivite

gastroenterite

s faringites

Constipação |

resfriado

Catapora herpes

simplex herpes

genital

Gripe Poliomielite Hepatite Caxumba Sarampo

Rubéola Raiva

(hidrofobia)

Meningite

viral

Doença de chagas Ansiedade

Labirintite Conjuntivite Difteria Reumatismo Melanoma

Bursite Alzheimer Amigdalite Bulimia Cistite

Clamídia Colite Diverticulite Distonia Escoliose

Espondilolistese Encefalite Estomatite Endocardite Encefalite

Filariose Foliculite Gengivite Feocromocitoma Gota

Icterícia Impetigo Leptospirose Leucemia Melanoma

Mononucleose Narcolepsia Otite Parkinson Progeria

Rabdomiólise Rosácea Roséola Sarcoidose Seborreia

Sepse Sífilis Trombose Tenossinovite Uretrite

Urticária Vaginismo Varíola Varicocele Vulvovaginite

Vitiligo Zika vírus Anemia

falciforme

Andropausa Angina

Botulismo Blefarite Ciática Cistite Câncer de boca

Candidíase DMRI Ebola Febre tifoide Galactosemia

Gangrena Gripe H1N1 Hidrocefalia Hipercalcemia Hemocromatose

Hemofilia Hipocondria Hipocalemia Hipoparatireoidis

mo

Hiponatremia

26

Melasma Pé de atleta Periodontite Queloide Febre

chikungunya

Dengue Dengue

hemorrágica

Pneumonia Asma Febre amarela

Quadro 1 - Doenças cadastradas


Após a etapa de coleta dos dados da primeira etapa, aplicou-se sobre os dados

uma estrutura de arquivos no formato JSON (JavaScript Object Notation), um formato

leve de arquivos utilizado para transferência de dados entre aplicações heterogêneas

(SALVADORI, 2014). Cada registro coletado foi posicionado na estrutura

“chave”: ”valor”, sendo os sintomas apenas separados por “,” (virgula). A figura 6

apresenta o resultado da formatação dos dados.

Figura 6 - Representação dos diagnósticos após formatação dos dados.

27


Após a formatação dos dados que representam os prontuário e seus respectivos

diagnósticos o mesmo foi persistido em um banco de dados na internet, para que

posteriormente possa ser indexado pelo algoritmo de cálculo de pesos.

3.4.2. Mecanismo de busca

Esta etapa consiste na criação de um método que permita ao usuário informar

um conjunto de palavras-chaves que serão submetidas ao sistema e consequentemente

uma lista de resultados deverá ser retornada ao usuário. No entanto os documentos da

coleção podem não estar no formato esperado pelo sistema, devendo então passar por um

processo de homogeneização para que o sistema execute o correto cálculo de pesos de

seus termos.

3.4.2.1. Preparação dos documentos

Nesta parte do processo o documento é carregado da base de dados e nesta

pesquisa cada documento é representado por um único diagnostico armazenado no

arquivo JSON, ou seja, cada diagnostico é um documento da coleção. Após serem

identificados as etapas do quadro 2 são aplicadas a cada documento.

Etapa Descrição

Analise do documento Consiste em preparar o documento para indexação, está

dividia em 3 fases:

Extração o Consiste em transformar, formatar em

codificação universal como UTF-8 e

validar o documento.

Normalização

o Remoção de sinais e caracteres

especiais, formatadores e pontuação em

geral

Carga

o Estabelece um novo armazenamento

estruturado, confiável e de rápido acesso

28

a massa de dados homogeneizada e

preparada para indexação

Remoção das Stop-Words Consiste na remoção de palavras com valor semântico

desconsiderável. Estas palavras são especificas para

cada idioma e estão dispostas em arquivos denominados

stop-list.

Stemming do documento Esta operação acontece após a remoção das stop-words

do documento e trata-se da extração dos radicais

semânticos de cada palavra. A raiz de uma palavra

consiste na remoção dos sufixos e prefixos,

apresentando seu valor essencial.

Quadro 2- Fluxo de indexação de um documento.


Uma classe foi criada com a responsabilidade de recuperar a lista de documentos

da coleção do banco de dados. A figura 7 apresenta sua implementação.

Figura 7 - Método responsável por recuperar os documentos do corpus.


3.4.2.2. Indexação dos termos

No processo de preparação dos documentos é importante utilizar uma lista pré-

definida de stopwords e uma outra lista de advérbios. Estas duas listas tem a função de

29

remover do documento palavras que não acrescentam valor semântico, ou seja nada dizem

em relação ao próprio texto. Segundo (BRITO, 2016) são exemplos de stopwords palavras

como “ambas”, “ambos”, “ano”, “anos”, “as”, “a”, “do”, “para” entre outras. Nesta

pesquisa utilizou-se a lista de stopwords disponibilizada pelo Google. A lista de todos os

termos da lista de stopwords e lista de advérbios é apresentado no apêndice A. As figuras

8 e 9 apresentam os algoritmos responsáveis por tratar stopwords e advérbios.

Figura 8 - Classe para tratamento de stopwords.


Figura 9 - Classe para tratamento de advérbios


Em seguida a preparação dos documentos cada documento é processado, nesta

pesquisa o algoritmo utilizado para o cálculo de pesos TF-IDF (Term Frequency – Inverse

Documento Frequency) na sua forma clássica por apresentar bons resultados de acordo

30

com (BAEZA-YATES; RIBEIRO-NETO, 2013). A figura 10 apresenta a equação do

modelo TF-IDF.

Figura 10 - Formula para cálculo de pesos

Fonte: (BAEZA-YATES; RIBEIRO-NETO, 2013)

Neste modelo cada documento da coleção é representado por um vetor conforme

a expressão Dj = {t1,t2,t3,t4...tN}. Sendo vetor Dj um documento da coleção e t1,t2,t3,t4..tN

termos que acrescentam valor semântico ao documento e j o número do documento D na

coleção.

Para determinar o valor TF (Frequency Term) de um termo no documento é

aplicado a formula TFij = Frequênciaij / máxima Frequênciaij. A figura 11 apresenta a

classe para cálculo de frequência de termos.

Figura 11 - Classe para cálculo de frequência de um termo.


Já o IDF determina-se através da formula: IDFij = log (N / dfi), sendo:

N – O número total de documentos da coleção

dfi – O número total de vezes que este termo apareceu na coleção de documentos.

31

A figura 12 apresenta a implementação da classe responsável por calcular o IDF

de um termo.

Figura 12 - Classe para calcular o IDF de um termo.


Após a aplicação da formula sobre os documentos da coleção, uma matriz

vetorial contendo documentos, termos e seus respectivos pesos é gerada. Esta matriz

vetorial é que deverá ser usada para determinar a distância semântica durante as buscas

do usuário. A figura 13 apresenta a matriz de termos referente ao diagnostico com os

sintomas da dengue.

Figura 13 - Matriz de termos e pesos da dengue


Observe a figura 13, o parâmetro QtColeção, que nesta imagem representa

quantas vezes aquele termo apareceu na coleção de documentos do corpus. Depois de

gerado a matriz vetorial de documentos a mesma deve ser persistida o banco de dados,

pois a etapa de preparação e indexação dos documentos do corpus é uma atividade que

exige alto poder de processamento e deve ser feita previamente. A figura 14 apresenta o

diagrama de classes que representa a matriz de documentos.

32

Figura 14 - Diagrama de classe para persistência da matriz de documentos

processados.


3.4.3. Classificação de prontuários por analise de conteúdo

A classificação será feita mediante a informação de palavras-chave durante o

atendimento médico e também pode ser entendida com uma consulta do usuário,

(MARTHA; DE CAMPOS; SIGULEM, 2010) definem que a consulta é um processo de

recuperação e consiste em comparar os termos da pesquisa com os termos do índice e

retornar os documentos relevantes à pesquisa ordenados por um critério especificado. É

responsabilidade do usuário informar os termos ou palavras-chave de seu interesse

visando encontrar no conjunto de resultados um documento do seu interesse. Termos

muito genéricos ou de pouca relevância tendem a deteriorar os resultados da consulta. A

estratégia de cálculo de similaridade utilizada nesta pesquisa é a medida dos cossenos.

Para que os termos da consulta sejam utilizados no cálculo de similaridade é

necessário extrair o peso dos termos da consulta. Nesta pesquisa foi utilizada a formula

conforme a figura 15.

Figura 15 - Cálculo de pesos dos termos da consulta.

Fonte: (BAEZA-YATES; RIBEIRO-NETO, 2013)

33

Para implementação da formula da figura 15, criou-se dois métodos dentro da

classe denominada TConsulta. Esta por sua vez é responsável por executar todo o fluxo

de execução da consulta por documentos relevantes aos termos informados. A figura 16

apresenta a implementação da formula da figura 16.

Figura 16 - Calculo de pesos dos termos da consulta.


Após a geração dos pesos dos termos da consulta finalmente é utilizada a medida

dos cossenos para que a similaridade possa ser determinada e um conjunto de resultados

possa ser apresentado para o usuário. A figura 17 apresenta a formula utilizada nesta

pesquisa.

Figura 17 - Formula utilizada nesta pesquisa para cálculo de similaridade.

Fonte: (COSTA; AGUIAR; MAGALHÃES, 2013)

No modelo de sistema de recomendação de diagnostico proposto nesta pesquisa

o médico representa o usuário, que durante o atendimento de um novo paciente informa

os dados do atendimento em um campo de texto livre, o sistema encarrega-se de enviar

os termos informados pelo médico representando os termos da consulta para o algoritmo

de indexação de modo não intrusivo, o sistema por sua vez, aplica o cálculo de

similaridade entre todos os documentos processados e apresenta uma lista de documentos

34

similares. A figura 18 apresenta a classe responsável por determinar a similaridade entre

os termos da consulta e os termos dos documentos.

Figura 18 - Classe para cálculo de similaridade entre termos da consulta e

documentos.


Em seguida a figura 19 apresenta uma lista reduzida de resultados não ordenados

contendo documentos similares aos termos de uma consulta de exemplo composta pelos

termos “dor de cabeça, dor nos olhos, dor no corpo”.

Figura 19 - Consulta exemplo com termos genéricos.


3.5. Apresentar lista de recomendações

A lista de recomendações representa o ranking ordenado de resultados que será

apresentado ao médico durante o atendimento. Este resultado é formado pela similaridade

encontrada entre os termos informados durante o atendimento e os termos dos

documentos indexados previamente. Neste cenário cada documento é definido como

35

similar se o valor retorna pela classe de cálculo de similaridade apresentar valores entre

0 e 1. Quando um documento apresentar valor de similaridade próximo de 1 significa que

este documento é muito similar aos termos informados no atendimento que representa a

operação de consulta. A figura 19 apresentou uma lista de resultados com valores

interessantes no que diz respeito à similaridade entre os termos, no entanto percebe-se

que não existe uma ordem ou ranqueamento definido para os resultados.

Nesta etapa da pesquisa optou-se por utilizar o valor da similaridade encontrada

para ordenação dos resultados, para representar o diagnóstico mais adequado para

utilização pelo médico, sendo este livre para determinar qualquer outro diagnóstico, o

sistema apenas atuará com a recomendação apresentando as 10 melhores opções, baseado

em dados anteriores.

3.6. Resumo do modelo

O sistema de recomendação proposto nesta pesquisa tem a finalidade de oferecer

sugestões de diagnósticos médicos através da análise de similaridade entre um novo

atendimento e os atendimentos anteriores. Para que esta pesquisa apresente os resultados

esperados, foi elaborado um protótipo em escala reduzida afim de permitir a inserção dos

dados que representam os diagnósticos já realizados pelos médicos. Após esta fase,

iniciou-se o processo de definição da estratégia de indexação, persistência e posterior

recuperação das informações do banco de dados através da medida de similaridade

utilizando a formula dos cossenos. Em seguida foi definido a estratégia de ranqueamento

dos resultados obedecendo a princípio o valor da similaridade entre os termos informados

pelo usuário e os registros já indexados previamente. Só então foi exibida a lista de

resultados para que possa ser utilizada pelo médico durante um novo atendimento.

O médico é livre para utilizar qualquer hipótese diagnostica, o papel do sistema

proposto nesta pesquisa é apenas oferecer de forma rápida uma lista de sugestões de

acordo com atendimentos anteriores. Deste modo, também oferece uma forma rápida e

eficiente de reaproveitar as informações na base de dados dos sistemas hospitalares.

36

4. ARTEFATO – IMPLEMENTAÇÃO DO MODELO

Para a implementação da arquitetura do modelo de sistemas proposto, foi

necessário a construção de um protótipo de prontuário eletrônico em escala reduzida para

dar suporte a operação de construção da base de dados que representa os atendimentos

médicos. A definição de prontuário eletrônico de paciente (PEP) pode ser entendida como

um registro que reside em um sistema especificamente desenhado para apoiar os usuários,

fornecendo acesso a um completo conjunto de dados, sistemas de avisos e alertas,

sistemas de apoio a decisão e outros (MARIN, 2010). (PEREZ; ZWICKER, 2010) define

prontuário eletrônico do paciente como um processo que incorpora registros de um

paciente em um sistema informatizado, com o objetivo de gerar informações para

diagnósticos médico e documentação de consultas. (PETERS et al., 2010) esclarece que

prontuários eletrônicos de paciente são uma fonte importante de informação e deve ser

elaborado de forma séria, obedecendo a critérios e linguagem adequada que permita

comunicação fácil entre profissionais da área.

Os requisitos e diagramas pertencentes a etapa de construção do protótipo estão

disponibilizados no apêndice A.

A tarefa de indexação de termos, dever ser realizada previamente pelo algoritmo

para evitar sobrecarga computacional desnecessária. Contudo foi necessário construir

uma camada de integração de software capaz de prover informações de modo transparente

entre todos os módulos existentes do sistema. Mesmo não sendo um dos objetivos

específicos optou-se por utilizar um webservice acessado através da internet para prover

capacidade de integração com sistemas de terceiros no futuro. Este tipo de software é

denominado webservice REST (Representational State Transfer) e está apoiado sobre o

protocolo de comunicação HTTP sendo independente de plataformas, oferecendo

endereço único para transferência de recursos. Neste modulo permite a integração da

computação móvel com a computação em nuvem. Esta camada habilita o acesso ubíquo

e pervasivo, um ambiente escalável, distribuído e compartilhado, podendo ser

rapidamente provido e liberado com o mínimo de esforço gerencial (COSTA, 2015). A

figura 20 apresenta o conceito de arquitetura utilizado no protótipo.

37

Figura 20 - Diagrama de componentes representando a arquitetura do sistema


Utilizou-se uma abordagem relativamente nova que utiliza uma nuvem

computacional como serviço é o Mobile Backend as a Service (MbaaS) este tipo de

arquitetura oferece serviços de processamento, storage, notificações entre outros de

forma escalar (COSTA, 2015). Uma boa alternativa para agilizar e reduzir custos durante

a construção de sistemas complexos. Várias plataformas foram analisadas e a escolhida

foi a plataforma Firebase por oferecer um plano free com boas configurações para a etapa

de desenvolvimento.

O serviço de recomendação atua em conjunto com a camada de consulta, sendo

este responsável por submeter as anotações do médico durante o atendimento para o

processamento e apresentar a lista de resultados ranqueados para utilização do médico. O

médico por sua vez poderá receber as a lista de recomendações na tela de hipótese

diagnostica, presente do no protótipo desenvolvido, conforme figura 21.

38

Figura 21 - Hipótese diagnostica

Fonte: Próprio Autor.

A hipótese diagnostica resultante do processamento de busca por conteúdo

através da similaridade é apenas uma sugestão para o médico, não sendo caracterizado

como uma obrigação pelo seu uso, contudo apresenta uma forma interessante de associar

os novos atendimentos a informações já gravadas no banco de dados, desta forma cria-se

uma interface rápida e eficiente para que estas informações possam ser reaproveitas de

forma muito mais pratica.

4.1. Vantagens

Utilizar informações puramente textuais e sem nenhuma estrutura para obter

diagnósticos semelhantes.

A possibilidade de recomendações para definição de diagnósticos.

Integração com sistemas de terceiros através de API RESTFULL.

Compartilhamento de informações entre médicos, pacientes e demais

interessados.

Utilização do serviço através da internet.

4.2. Desvantagens

39

Necessidade da internet para consumir a API RESTFULL

Erros de digitação, sinônimos ou jargões médicos podem deteriorar os resultados

do algoritmo.

Poucos registros diminuem a qualidade dos resultados das recomendações.

4.3. Testando e validando as recomendações do sistema

Os testes do sistema foram executados a partir da seleção aleatória de 10

diagnósticos cadastrados previamente na base de dados de testes. O quadro 3 apresenta

os diagnósticos selecionados.

Diagnóstico Sintomas

Dengue hemorrágica Febre súbita e alta acima de 40, dor atrás dos olhos, falta de

apetite e paladar, dos nos ossos e nas articulações, fortes

dores de cabeça, manchas vermelhas na pele, náuseas e

vômitos intenso, moleza e cansaço, dificuldade de respirar,

perda de consciência, confusão mental, agitação e insônia,

sangramento na boca nas gengivas e no nariz, boca seca,

muita sede, fortes dores abdominais, pele pálida, fria e

úmida

Zika Virus Dor de cabeça, febre baixa, dores leves nas articulações,

manchas vermelhas na pele, coceira e vermelhidão nos

olhos. Outros sintomas menos frequentes são inchaço no

corpo, dor de garganta, tosse e vômitos. No geral, a

evolução da doença é benigna e os sintomas desaparecem

espontaneamente após 3 a 7 dias. No entanto, a dor nas

articulações pode persistir por aproximadamente um mês

Chikungunya Febre alta, dores intensas nas articulações dos pés, mãos e

dedos, tornozelos e pulsos, dor de cabeça, dores nos

músculos e manchas vermelhas na pele

Gripe Febre alta, tosse, dor de cabeça, dores musculares, falta de

ar, espirros, dor na garganta, fraqueza, coriza, congestão

nasal.

40

Febre amarela Febre, dores, irritação, pulso baixo, enjoo, pessoa

amarelada, complicações no fígado, complicações nos rins,

complicações nas hemorragias

Sarampo Febre alta, tosse, coriza, manchas avermelhadas pelo corpo,

diarreia, otite, pneumonia, encefalite

Urticária Superfície na pele vermelhos e salientes, coçam

intensamente na pele

Febre tifoide Febre alta, dor de cabeça, mal-estar geral, falta de apetite,

retardamento do ritmo cardíaco, aumento do volume do

baço, manchas rosadas no tronco, prisão de ventre, diarreia,

tosse seca

Pneumonia Febre alta, Tosse, Dor no tórax, Alterações da pressão

arterial, Confusão mental, Mal-estar generalizado, Falta de

ar, Secreção de muco purulento de cor amarelada ou

esverdeada, Toxemia (danos provocados pelas toxinas

carregadas pelo sangue), Prostração (fraqueza)

Reumatismo Dores nas articulações, principalmente por mais de seis

semanas, vermelhidão, calor, inchaço nas articulações,

dificuldade para movimentar as articulações ao acordar,

dores ao esticar os braços sobre a cabeça, dores ao elevar os

ombros até tocar o pescoço

Quadro 3 – Sintomas selecionados aleatoriamente pertencentes ao banco de dados.


4.2.1 Recomendações para Dengue Hemorrágica

Para o primeiro teste, o diagnostico pré-definido foi a Dengue Hemorrágica,

utilizou-se os seguintes termos representando a queixa do paciente: “Febre súbita e alta

acima de 40, dor atrás dos olhos, dos nos ossos e nas articulações, fortes dores de cabeça,

manchas vermelhas na pele, náuseas e vômitos intenso, moleza e cansaço, dificuldade de

respirar, perda de consciência, confusão mental, agitação e insônia, sangramento na boca nas

gengivas e no nariz, muita sede, fortes dores abdominais”. O quadro 4 apresenta a lista de

resultados representando os possíveis diagnósticos.

41

Similaridade Diagnósticos

0.92373092422518 DMRI

0.91357113372885 Zika Vírus

0.89773802863349 Parkinson

0.89230763875844 Hipocondria

0.88174080982724 Dengue hemorrágica

0.82821253776435 Asma

0.79038762578422 Vitiligo

0.76866284634689 Leucemia

0.76286123549829 Hidrocefalia

0.76151903758742 Endocardite

Quadro 4 - Lista de recomendações para dengue hemorrágica.


No teste com os sintomas da dengue hemorrágica foram informados e apesar de que

o diagnóstico esperado foi apresentado na 5ª (quinta posição), os termos informados no

primeiro diagnóstico do sistema são genéricos e não descrevem muito bem este prontuário

em relação aos prontuários da coleção, por este motivo percebe-se a deterioração dos

resultados.

4.2.2 Recomendações para Zika Virus

Para o segundo teste, o diagnostico pré-definido foi o Zika Virus, utilizou-se os seguintes

termos representando a queixa do paciente: “Dor de cabeça, febre baixa, dores leves nas

articulações, manchas vermelhas na pele, coceira e vermelhidão nos olhos. Outros

sintomas menos frequentes são inchaço no corpo, dor de garganta, tosse e vômitos. No

geral, a evolução da doença é benigna e os sintomas desaparecem espontaneamente após

3 a 7 dias. No entanto, a dor nas articulações pode persistir por aproximadamente um

mês”. O quadro 5 apresenta a lista de resultados representando os possíveis diagnósticos.


0.98768742933078 Zika Virus

0.90950936466615 Hipocondria

0.89653596897562 DMRI

42

0.88630556382337 Parkinson

0.87927452259001 Dengue hemorrágica

0.83068199955195 Asma

0.74990256422406 Vitiligo

0.74937268756057 Leucemia

0.73262124421253 Endocardite

0.72250856016646 Hipoparatireoidismo

Quadro 5 - Teste de recomendação com sintomas do Zika Virus.


Como esperado o diagnóstico mais bem posicionado foi o Zika Virus, contudo

percebe-se que mesmo informando todos os sintomas de um determinado prontuário, não

é garantido que o mesmo figure entre as primeiras posições da lista de resultados.

4.2.3 Recomendações para Febre Chikungunya

Para o terceiro teste, o diagnóstico pré-definido foi o da Febre Chikungunya,

utilizou-se os seguintes termos representando a queixa do paciente: “Febre alta, dores

intensas nas articulações, dor de cabeça, dores nos músculos e manchas vermelhas”. O quadro

6 apresenta a lista de resultados representando os possíveis diagnósticos.


0.94105042504011 Raiva (hidrofobia)

0.93819620236787 Hipocondria

0.93304258486656 Febre chikungunya

0.9209074081749 DMRI

0.91482221194723 Varicocele

0.91347087921938 Roséola

0.91115322933589 Estomatite

0.91056664676546 Endocardite

0.90560474482401 Rosácea

0.90433856456518 Caxumba

Quadro 6 - Teste de recomendação com sintomas da Febre Chikungunya.

43


Neste cenário, mesmo sendo apresentada na terceira posição, a utilização de termos

presentes em muitos documentos causou a queda do diagnóstico de interesse na lista de

resultados.

4.2.4 Recomendações para Gripe

Para o quarto teste, o diagnóstico pré-definido foi a Gripe, utilizou-se os

seguintes termos representando a queixa do paciente: “Febre alta, tosse, dor de cabeça,

dores musculares, falta de ar, espirros, dor na garganta, fraqueza, congestão nasal”. O quadro

7 apresenta a lista de resultados representando os possíveis diagnósticos.


0.98939550752921 Gripe H1N1

0.97976185167856 Asma

0.96278881065566 Pneumonia

0.93838272457561 Poliomielite

0.93582202914283 Varicocele

0.93465746560358 DMRI

0.93257528644542 Ansiedade

0.93178652230957 Gengivite

0.92290387105008 Encefalite

0.91855858895279 Hipercalcêmica

Quadro 7 - Teste de recomendação com sintomas da Gripe.


No teste apresentado no quadro 6, o diagnóstico de interesse ficou fora da lista

de resultados, mesmo apresentando 0.9032585695928 de similaridade junto aos termos

informados na consulta. Tal fato se dá devido os sintomas da gripe serem muito comuns

em relação a outros diagnósticos utilizados na validação do sistema.

4.2.5 Recomendações para Febre Amarela

44

Para o quinto teste, o diagnóstico pré-definido foi a Febre Amarela, utilizou-se os

seguintes termos representando a queixa do paciente: “Febre, dores, irritação, pulso baixo,

enjoo, pessoa amarelada, complicações no fígado, nos rins, e hemorragias”. O quadro 8

apresenta a lista de resultados representando os possíveis diagnósticos.


0.98350591629966 DMRI

0.96749812426752 Raiva

0.95812171153115 Gangrena

0.95107484103601 Constipação

0.95097620942221 Varicocele

0.9507659658147 Sarcoidose

0.94717675090407 Hemocromatose

0.9464641993411 Sarampo

0.94041752999239 Alzheimer

0.94024719455055 Leucemia

Quadro 8 - Teste de recomendação com sintomas da Febre amarela.


Mais uma vez a falta de termos específicos deteriorou a qualidade das recomendações,

em função do generalismo com que foi descrito as queixas do paciente.

4.2.6 Recomendações para Sarampo

Para o sexto teste, o diagnóstico pré-definido foi o Sarampo, utilizou-se os

seguintes termos representando a queixa do paciente: “Febre alta, tosse, coriza, manchas

avermelhadas, diarreia, otite, pneumonia, encefalite”. O quadro 9 apresenta a lista de



0.98245075366334 Febre chikungunya

0.98075412409922 Sarampo

0.97731782889731 Dengue

0.96392864032761 DMRI

45

0.9512924555291 Varicocele

0.95097961370295 Andropausa


0.94101365160148 Gripe H1N1

0.93541312651265 Rosácea

0.93442088302775 Hiponatremia

Quadro 9 - Teste de recomendação com sintomas da Sarampo.


No teste apresentado no quadro 8 percebe-se a importância da utilização de

termos menos comuns, pois o diagnóstico de interesse é retornado na segunda posição da

lista representando uma boa recomendação, em relação aos termos da consulta.

4.2.7 Recomendações para Urticária

Para o sétimo teste com os sintomas da Urticária representando a queixa do

paciente durante o atendimento, utilizou-se os seguintes termos: “Superfície na pele

vermelhos, coçam intensamente na pele”. O quadro 10 apresenta a lista de resultados

representando os possíveis diagnósticos.


0.99460451967114 Constipação | resfriado

0.99163260272058 Galactosemia

0.98891887476699 Hipocalcemia

0.98859680941397 Urticária

0.98333261854842 Vaginismo


0.97979657434665 Queloide

0.9797869977507 Difteria

0.97963423274731 Melanoma

0.97715666295079 Gengivite

Quadro 10 - Teste de recomendação com sintomas da Urticária.


46

Um outro caso onde a recomendação apresentou um bom resultado devido ao

uso de termos com forte valor semântico.

4.2.8 Recomendações para Febre Tifoide

Para o oitavo teste com os sintomas da Febre tifoide representando a queixa do

paciente durante o atendimento, utilizou-se os seguintes termos: “Febre alta, dor de cabeça,

mal-estar, falta de apetite, retardamento do ritmo cardíaco, baço inchado, manchas rosadas,

prisão de ventre, tosse seca”. O quadro 11 apresenta a lista de resultados representando os

possíveis diagnósticos.


0.92296464046221 Febre tifoide

0.88533977778496 Mononucleose

0.88442825872615 DMRI

0.87760148754315 Pneumonia

0.87663529992 Varicocele

0.87006524476373 Clamídia

0.86611224902656 Vitiligo

0.85981021315512 Leucemia



Quadro 11 - Teste de recomendação com sintomas da Febre Tifoide.


4.2.9 Recomendações para Pneumonia

Para o nono teste com os sintomas da Pneumonia representando a queixa do

paciente durante o atendimento, utilizou-se os seguintes termos: “Febre alta, Tosse, Dor

no tórax, Alterações da pressão arterial, Confusão mental, Mal-estar, Falta de ar, muco

purulento de cor amarelada ou esverdeada, Toxemia”. O quadro 12 apresenta a lista de



0.94967062110313 Leucemia

47

0.94910162437288 Pneumonia

0.93377778322505 Febre tifoide

0.93023526123248 Varicocele


0.92981783676831 Clamídia

0.92373621749417 Ansiedade

0.91865676366835 DMRI

0.91352715936492 Gripe H1N1

0.91197832874115 Anemia falciforme

Quadro 12 - Teste de recomendação com sintomas da Pneumonia.


4.2.10 Recomendações para Reumatismo

Para o decimo teste com os sintomas da Pneumonia representando a queixa do

paciente durante o atendimento, utilizou-se os seguintes termos: “Dores nas articulações,

vermelhidão, calor, inchaço nas articulações, dores ao esticar os braços sobre a cabeça, dores

ao elevar os ombros até tocar o pescoço”. O quadro 13 apresenta a lista de resultados

representando os possíveis diagnósticos.


0.95893700663175 Varicocele

0.95723486260981 Leucemia

0.9550897989195 Botulismo

0.95497290718909 Mononucleose

0.95170904179822 Vitiligo

0.94847701560753 Zika vírus

0.94615519286744 Poliomielite

0.94017475938303 Hipocondria


0.93565136575532 Hipocalemia

Quadro 13 - Teste de recomendação com sintomas da Reumatismo.


4.3 Resultados

48

A base de dados representando os prontuários de atendimentos dos pacientes foi

constituída de registros coletados em sites da internet que continham doenças e seus respectivos

sintomas. O universo da pesquisa foi representado por uma base de dados contendo 100

doenças com seus respectivos sintomas. De acordo com (GUIMARÃES, 2012;

PROVDANOV; FREITAS, 2013; SILVA; KARKOTLI, 2011) universo da pesquisa

representa o conjunto de seres animados ou não que apresenta pelo menos uma

característica comum, sendo N o número total de elementos ou população.

Desse universo, serão utilizados 10 conjuntos como amostra representando os

novos atendimentos, onde a doença representa o diagnóstico e os sintomas a queixa do

paciente. Os conjuntos foram selecionados de aleatoriamente das ocorrências mais

frequentes da atenção básica de saúde nos hospitais de acordo com (PIMENTEL et al.,

2012). Quanto a amostra, (PROVDANOV; FREITAS, 2013) explica que é uma pequena

parte do universo. A figura 22 apresenta um gráfico com a qualidade das recomendações

dos testes de validação.

Figura 22 - Qualidade das recomendações.


O total de termos presentes na base de dados foi 6344 em um total de 100

documentos, a amostra utilizada foi de 10% do universo estabelecido, a execução do

algoritmo apresentou 7 resultados satisfatórios, ou seja, em 70% dos testes, retornou o

diagnóstico de interesse entre as 10 melhores posições na lista de recomendações. No

entanto nos outros 30% das execuções onde o resultado não foi satisfatório, observou-se

que diagnóstico como o da gripe não foram bem classificados possivelmente por

conterem nos sintomas que nesta pesquisa representaram as queixas do paciente,

49

continham termos muito comuns a todos os documentos da coleção, como por exemplo

“febre”, “dor”, “cabeça” entre outros tiveram um grande número de repetições nos

documentos da coleção.

Este é um comportamento esperado, visto que pela parte IDF do algoritmo, atua

reduzindo a importância do termo que se repete em muitos documentos da coleção

(BAEZA-YATES; RIBEIRO-NETO, 2013; KIDO; JUNIOR; MORIGUCHI, 2014; MARTHA;

DE CAMPOS; SIGULEM, 2010). Diante de tal fato, presume-se que não é garantida a

primeira posição no ranking de resultados, mesmo que se informe todos os termos da

descrição de um diagnóstico. O que garante um bom posicionamento é sem dúvidas a

utilização de termos menos genéricos para descrição dos itens da queixa dos pacientes.

Apesar de a base de testes conter apenas 100 registros, a especialização desta

tende a melhorar a qualidade das recomendações, contudo o tamanho do documento

também favorece melhores resultados, ou seja, quanto maior o documento, maior a

chance de conter termos menos comuns e consequentemente melhorar seu

posicionamento na lista de resultados das recomendações. Sendo o rendimento inicial do

algoritmo de recomendações de 70% de acertos nas recomendações e em 28,57% dos

casos de testes apresentou na primeira lista o diagnóstico de interesse, percebe-se ser uma

estratégia eficiente na recomendação de diagnósticos.

50

5. CONSIDERAÇÕES FINAIS

O modelo de sistema proposto nesta pesquisa utilizou conceitos inerentes a

recuperação de informação afim de classificar e recomendar diagnósticos pretéritos

elaborados por outros médicos utilizando técnicas filtragem baseada em conteúdo, ou

seja, o sistema foi capaz de comparar textos informados durante o atendimento de um

novo paciente com os textos informados pelos médicos em seus atendimentos no passado.

Esta estratégia apresentou uma ferramenta muito eficiente no que diz respeito a busca de

informações em bases de dados existentes e de forma muito simples. Nesta pesquisa

apresentou-se apenas o diagnostico como informação recuperada, contudo a sua aplicação

pode ser ainda maior, no sentido de apresentar outras condutas médicas relacionadas aos

registros recomendados.

Para alcançar o objetivo geral proposto neste trabalho foi desenvolvido um

protótipo de prontuário eletrônico de pacientes em escala reduzida, que pode ser conferido

no Apêndice C. Este por sua fez auxiliou na construção da base de dados que representou

os atendimentos médicos dos pacientes, que mais tarde passaram pelo processo de

indexação através da aplicação do algoritmo de geração de índices (pesos) TF-IDF

implementado nesta pesquisa.

A similaridade dos conteúdos referente aos prontuários foi determinada através

da formula dos cossenos, onde o peso dos termos da consulta que nesta pesquisa

representou a queixa do paciente, foi submetida ao algoritmo e valores próximo de 1 (um)

representou bons valores de similaridade e consequentemente, foram classificados de

acordo com esta medida.

O universo da pesquisa foi de 100 prontuário cadastrados previamente na base

de dados de testes, e apenas 10% deste universo constituiu a amostra para testar e validar

a qualidade das recomendações do algoritmo. Nos testes foram encontrados 70% de

aproveitamento das recomendações e apenas 30% não retornaram uma lista aceitável de

opções. Muito provavelmente estes diagnósticos não encontrados apresentam muita

semelhança semântica entre si e com todos os outros prontuários da coleção. Contudo

com o crescimento da base de dados espera-se melhorar sensivelmente a qualidade das

recomendações de acordo com o crescimento da base de dados (GARCIA; FROZZA,

2013).

51

O algoritmo implementado não tratou erros de digitação, sinônimos e/ou jargões

profissionais utilizados na medicina. Estes valores dentro de um documento podem

influenciar negativamente os resultados da busca durante o atendimento, contudo o

sistema apresentou resultados satisfatórios.

Pode-se concluir que a recomendação de diagnóstico através da similaridade de

conteúdo é uma técnica aceitável mesmo com poucas informações no banco de dados e

mostrou-se bastante prática na pesquisa e classificação de resultados, podendo ser

aplicada para apresentar outros procedimentos da conduta médica durante o seu

atendimento.

52

6. REFERÊNCIAS

BAEZA-YATES; RIBEIRO-NETO. Recuperação de Informação: conceitos e

tecnologias das máquinas de busca. [s.l: s.n.].

BAX, M. P. DESIGN SCIENCE: FILOSOFIA DA PESQUISA EM CIÊNCIA DA

INFORMAÇÃO E TECNOLOGIA. In: XV ENANCIB “ALÉM DAS NUVENS: EXPANDINDO AS FRONTEIRAS DA CIÊNCIA DA INFORMAÇÃO”, 2014, Belo

Horizonte. XV ENANCIB. Encontro Nacional de Pesquisa em Ciência da In. p. 3883–

3903, 2014.

BRITO, A. G. PROPOSTA DE MODELO DE RECOMENDAÇÃO DE CONTEUDO

BASEADO EM ARQUIVOS DE LEGENDAS DE FILMES E SERIES. 2016.

CAPPELLA, J. N.; YANG, S.; LEE, S. Constructing Recommendation Systems for

Effective Health Messages Using Content, Collaborative, and Hybrid Algorithms. The

ANNALS of the American Academy of Political and Social Science, v. 659, n. 1, p.

290–306, 2015.

CAZELLA, S. C.; NUNES, M.; REATEGUI, E. A Ciência da Opinião: Estado da arte

em Sistemas de Recomendação. CSBC XXX Congresso da SBC Jornada de

Atualização de InformáticaJAI, p. 161–216, 2010.

COSTA, E.; AGUIAR, J.; MAGALHÃES, J. Sistemas de Recomendação de Recursos

Educacionais: conceitos, técnicas e aplicações. Jaie 2013, n. Cbie, p. 57–78, 2013.

COSTA, I. DE O. MODELOS PARA ANÁLISE DE DISPONIBILIDADE EM UMA

PLATAFORMA DE MOBILE BACKEND AS A SERVICE. 2015.

FADAEE, S. S.; SOUFIANI, H. A.; SUNDARAM, R. Chiron: A Robust

Recommendation System. 2016.

FERNEDA, E. Recuperação de Informação: Análise sobre a contribuição da Ciência da

Computação para a Ciência da Informação. 2003.

GARCIA, C. A; FROZZA, R. Sistema de Recomendação de Produtos Utilizando

Mineração de Dados. 17, p. 78–90, 2013.

GUIMARÃES, P. R. B. Métodos Quantitativos Estatísticos. p. 252, 2012.

IRACICABA, P. Recuperação de documentos texto usando modelo probabilistico

estendido. 2006.

KIDO, G. S.; JUNIOR, S. B.; MORIGUCHI, S. N. Comparação entre TF-IDF e LSI para

pesagem de termos em micro-blog. n. May, 2014.

MAIA, L. C. G.; SOUZA, R. R. Medidas de similaridade em documentos eletrônicos 1.

IX ENANCIB: Diversidade Cultural e Políticas de Informação, v. 1, n. 1, p. 1–15,

2013.

MARIN, H. D. F. Sistemas de informação em saúde: considerações gerais. Journal of

Health Informatics, v. 2, n. 1, p. 20–24, 2010.

MARTHA, A. S.; DE CAMPOS, C. J. R.; SIGULEM, D. Recuperação de Informações

em Campos de Texto Livres de Prontuários Eletrônicos do Paciente Baseada em

Semelhança Semântica e Ortográfica. v. 2, n. 3, p. 63–71, 2010.

53

MIGUEL, A.; COSTA, G. AToMRS : Uma Ferramenta para Monitorizar o Desempenho

de Sistemas de Recomendação. 2016.

PAIK, J. H. A Novel TF-IDF Weighting Scheme for Effective Ranking. Proceedings of

the 36th International ACM SIGIR Conference on Research and Development in

Information Retrieval, p. 343–352, 2013.

PEREZ, G.; ZWICKER, R. Fatores determinantes da adoção de sistemas de informação

na área de saúde: um estudo sobre o prontuário médico eletrônico. RAM. Revista de

Administração Mackenzie (Online), v. 11, n. 1, p. 174–200, 2010.

PETERS, A. C. et al. Elaboração de um Corpus Médico baseado em Narrativas Clínicas

contidas em Sumários de Alta Hospitalar. Anais do XII Congresso Brasileiro de

Informática em Saúde, n. 1, 2010.

PIMENTEL, Í. R. S. et al. Caracterização da demanda em uma Unidade de Saúde da

Família. Revista Brasileira de Medicina de Família e Comunidade, v. 6, n. 20, p. 175–

181, 2012.

PROVDANOV, C. C.; FREITAS, E. C. DE. Metodologia do trabalho científico:

métodos e técnicas da pesquisa e do trabalho acadêmico. [s.l: s.n.].

RAMOS J. G. A. Algoritmos Colaborativos para Sistemas de Recomendação. 2010.

SALVADORI, I. L. DESENVOLVIMENTO DE WEB APIS RESTFUL SEMÂNTICAS

BASEADAS EM JSONo. Igarss 2014, n. 1, p. 1–5, 2014.

SILVA, R.; KARKOTLI, G. Manual De Metodologia Científica Do Usj - 2011 - 1. 2011.

SOUSA, O. DE; TABOSA, H. R. A EFICACIA DOS MODELOS DE RECUPERAÇÃO

DE INFORMAÇÕES: UM ESTUDO PARTICULARIZADO NA COMUNICAÇÃO

CIENTIFICA NA WEB. 2015.

SOUZA, R. R. Sistemas de recuperação de informações e mecanismos de busca na web:

panorama atual e tendências. Perspectivas em Ciência da Informação, v. 11, n. 2, p.

161–173, 2006.

U, R. L. A Survey on Recommender System. v. 1, n. 6, p. 50–57, 2013.

VERBERT K.; MANOUSELIS, N. . O. X. . W. M. . D. H. . B. I. . D. E. Context-Aware

Recommender Systems for Learning: A Survey and Future Challenges. Learning

Technologies, IEEE Transactions on, v. 5, n. 4, p. 318–335, 2012.

VIEIRA, F.; NUNES, M. DICA: Sistema de Recomendação de Objetos de Aprendizagem

Baseado em Conteúdo. Scientia Plena, v. 8, p. 1–10, 2012.

WEITZEL, L.; PALAZZO, J.; OLIVEIRA, M. DE. Sistemas de recomendação de

informação em saúde baseado no perfil do usuário. Journal of Health Informatics, p.

1–7, 2010.

YANG, S. et al. Application of Statistical Relational Learning to Hybrid

Recommendation Systems. 2016.

54

Apêndice A - Criando o projeto no Firebase

Para a criação do projeto no Firebase fez-se necessário a criação de uma conta

no serviço, utilizou-se o plano gratuito por oferecer boas configurações. Após a criação

da conta e escolha do plano foi apresentada a seguinte interface para a correta

configuração da aplicação a ser criada.

Figura 23 - Definição do projeto no Firebase


Após a criação do projeto no Firebase foi apresentada a seguinte interface

mostrando as ferramentas disponíveis para o referido projeto. A figura 23 apresenta a

interface do console de configuração do Firebase.

55

Figura 24 - Ferramentas do Firebase


Apenas as ferramentas Authentication e Database foram utilizadas nesta

pesquisa.

Authentication – Interface para autenticação de usuários.

Database – Interface para persistência de dados.

Para a conclusão do webservice foi preciso fazer a integração por meio do SDK

do Firebase com o projeto do protótipo de prontuário eletrônico para que ambos possam

trocar informações. A figura 24 apresenta as dependências necessárias para o correto

funcionamento do Firebase.

Figura 25 - Dependências do Firebase


56

Apêndice B – Requisitos e modelagem do protótipo

Na construção do software do prontuário eletrônico de paciente foi elaborado

uma lista de requisitos de funcionalidade contempladas pelo software conforme ilustra o

quadro 14 abaixo:

RF001 Registrar Anamnese do paciente

RF002 Registrar Cirurgias do paciente

RF003 Registrar Medicamentos do paciente

RF004 Registrar Diagnósticos do paciente

RF005 Registrar Internações do paciente

RF006 Registrar dados psicológicos do paciente

RF007 Registrar dados do atendimento social

RF008 Registrar dados da evolução diária

Quadro 14 - Lista de requisitos funcionais modulo prontuário eletrônico do paciente


Doravante, para melhor compreender a função do médico e outros membros da

equipe durante a utilização do prontuário eletrônico foi elaborado um diagrama da

Linguagem de Modelagem Unificada (UML) denominado caso de uso, conforme figura

25.

57

Figura 26 - Diagrama de caso de uso prontuário eletrônico do paciente


Outro diagrama da UML bastante comum e muito utilizado para representar a

colaboração entre os vários objetos que farão parte do sistema é o diagrama de classes. A

figura 26 apresenta o diagrama de classes do modulo prontuário eletrônico.


Figura 27 - Diagrama de classes prontuário eletrônico do paciente.


58

No entanto para o correto funcionamento do software prontuário eletrônico de

paciente, faz-se necessário o desenvolvimento de mais dois módulos auxiliares

denominados modulo administrador e modulo de atendimento.

O modulo administrador é responsável por fornecer interfaces de configuração

do sistema proposto, bem como ferramentas de cadastro de informações que auxiliarão

no funcionamento dos demais módulos. O quadro 15 apresenta os requisitos funcionais

do modulo administrador.

Requisito Descrição

RF009 Cadastro de Usuários.

RF010 Cadastro de grupos de usuários.

RF011 Cadastro de Especialidade Médica

RF012 Cadastro de Cidades

RF013 Cadastro doenças de acordo com a CID 10

RF014 Cadastro de Raça

RF015 Cadastro de Cor

RF016 Cadastro de Estado civil

RF017 Cadastro de Médicos

RF018 Cadastro de Escolaridade

RF019 Cadastrar medicamentos

RF020 Cadastrar Alergias

Quadro 15 - Requisitos funcionais do modulo administrador


59

As figuras 27 e 28 apresentam os diagramas de casos de uso e diagrama de

classes do modulo administrador.

Figura 29 - Diagrama de classes modulo administrador


Figura 28 - Diagrama de caso de uso modulo administrador


Figura 7 - Diagrama de caso de uso modulo administrador

60

O modulo de atendimento é responsável pelas interfaces para cadastramento de

pacientes e organização da fila de atendimento através do agendamento de consultas para

um médico, conforme lista de requisitos do quadro 16.

RF021 Cadastrar e visualizar de Pacientes

RF022 Agendar e visualizar Consulta de pacientes

RF023 Registrar e visualizar Resultado de Exames

Quadro 16 - Requisitos funcionais modulo de atendimento de pacientes.


As figuras 29 e 30 apresentam os diagramas de caso de uso e diagrama de classes

do modulo de atendimento de paciente.

Figura 30 - Diagrama de casos de uso modulo de atendimento


Figura 9 - Diagrama de casos de uso modulo de atendimento

61

Figura 31 - Diagrama de classes modulo de atendimento


62

Apêndice C - Requisitos do protótipo do prontuário eletrônico

Para a construção do protótipo do aplicativo de prontuário eletrônico utilizou-se

técnicas de engenharia de software reversa através de software já existentes no mercado

para determinar os requisitos (em sua forma reduzida) a serem implementados. Abaixo

encontra-se os quadros com os respectivos requisitos funcionais contemplados no

protótipo.

Identificação do paciente Informações necessárias

Requisito utilizado para inserção das

informações de cadastro do paciente na

base de dados do sistema.

Nome

E-mail

Nascimento

Sexo

Observação

Telefone fixo

Telefone celular

Quadro 17 – Identificação do paciente


Identificação do médico Informações necessárias

Requisito utilizado para inserção das

informações de cadastro do médico na

base de dados do sistema.

Nome

E-mail

Tratamento

Sexo

Conselho

Registro

Telefone celular

Quadro 18- Identificação do médico


Login de acesso ao sistema Informações necessárias

63

Requisito utilizado acessar o sistema de

prontuário eletrônico.

Nome

E-mail

Quadro 19 - Login de acesso ao sistema


Lista de pacientes Informações necessárias

Requisito utilizado para listar em ordem

alfabética os pacientes cadastrados no

sistema.

Obs.: Nesta lista pode-se selecionar o

paciente para início de um novo

prontuário.

Quadro 20 - Lista de pacientes


Novo prontuário Informações necessárias

Requisito utilizado para criação de um

novo prontuário eletrônico do paciente.

Neste requisito lista-se as seções

disponíveis para o médico.

Anamnese

Exame Físico

Sinais Vitais

Hipótese diagnostico

Prescrição

Evolução

Atestado

Quadro 21 - Novo prontuário


Ficha Anamnese Informações necessárias

64

Requisito utilizado para o cadastro dos

dados da ficha anamnese do paciente.

Queixa principal

História do paciente

Problemas renais

Problemas articulares ou reumatismo

Problemas cardíacos

Problemas gastrointestinais

Problemas alérgicos

Se é portador de hepatite

Gravidez

Se é diabético

Problemas com cicatrização

Relato de uso de medicamentos

Quadro 22 - Ficha anamnese


Apenas os dados da ficha anamnese foram utilizados para esta pesquisa. As

demais seções foram implementadas, mas por se tratarem basicamente de medidas

matemáticas possuem pouca relevância para as futuras recomendações.

Implementação dos requisitos

Após a definição dos requisitos do protótipo, iniciou-se a etapa de

implementação que resultou na construção das classes que contém as funcionalidades e

informações apresentadas em cada requisito contemplado. Nesta etapa optou-se pela

utilização de um paradigma de programação orientado a objetos para construção das

classes entidades e estratégia de persistência dos dados. A linguagem de programação

utilizada foi o Java na sua versão 7. A figura 31 apresenta a classe entidade referente a

identificação médico.

65

Figura 32 - Classe entidade identificação do médico.


A figura 32 e 33 apresenta a classe entidade referente aos requisitos de

identificação do paciente e ficha anamnese.

Figura 33 - Classe entidade identificação do paciente


66

Figura 34 - Ficha anamnese


As classes entidades foram utilizadas no projeto para representar os dados

definidos em cada requisito contemplado e que serão preenchidos pelos usuários através

das interfaces que serão descritas mais adiante. No entanto para que estes dados sejam

gravados permanentemente é preciso a criação de uma camada de persistência. Para esta

camada utilizou-se o (Software Development Kit) SDK Firebase, um serviço de (Mobile

Backend as a service) MBAAS desenvolvido e mantido pela Google, este recurso

apresenta uma significativa redução nos custos de implementação por fornecer um

conjunto de API´s e SDK´s de forma gratuita e por tempo indeterminado.

O método salvar presente em algumas classes entidades se encarrega da

persistência das informações no banco de dados do sistema, esta faz chamadas aos

métodos existentes em uma classe denominada Firebase. A classe entidade Pacientes

implementa este método conforme a figura 34.

67

Figura 35 - Estratégia de persistência de dados classe entidade pacientes.


A classe Firebase contém as chamadas das bibliotecas do SDK do Firebase, esta

classe se encarrega de sincronizar os dados informados nas classes entidades com o

modulo de webservice que será descrito na próxima seção. A figura 35 apresenta sua

implementação.

Figura 36- Implementação da classe Firebase.


Implementação das interfaces do protótipo do aplicativo.

A interface do protótipo foi construída utilizando recursos nativos da ferramenta

Android Studio. A primeira interface implementada foi o menu principal do protótipo cuja

finalidade é dar suporte ao usuário na escolha das ferramentas a serem usadas. A figura

36 apresenta esta interface.

68

Figura 37 - Menu do protótipo de prontuário eletrônico.


As figuras 37 e 38 apresentam a interface de identificação do médico e paciente

respectivamente.

69

Figura 38 - Identificação do médico


Figura 39 - Identificação do paciente


70

A figura 39 apresenta a lista de paciente cadastrados no sistema.

Figura 40 - Lista de pacientes cadastrados.


A figura 40 apresenta as opções disponíveis para criação de um novo

prontuário eletrônico do paciente.

Figura 41 - Opções do prontuário eletrônico


71

A figura 41 apresenta parte superior da interface de preenchimento da ficha

anamnese.

Figura 42 - Parte superior da ficha anamnese


Documents

UNIVERSIDADE ESTADUAL DO MARANHÃO